Независимое техническое издание
Структурированная библиотека о моделях, алгоритмах, корпоративных системах и инженерных решениях, необходимых для их надёжной работы.
Карта знаний
Издание показывает путь от точной постановки задачи к результату, который выдерживает реальные ограничения.
Библиотека 9 статей
Поиск и фильтрыAI-агент может готовить документы, проверять данные и выполнять ограниченные действия в ERP. Но доступ к системе не равен полномочию принимать любое решение. Разбираем, как разграничить рекомендации, исполнение и утверждение, какие операции требуют контроля человека и почему кнопка «Согласовать» сама по себе не обеспечивает надзор.
Надёжно автоматизировать можно прежде всего проверяемые административные операции и вспомогательные задачи, где AI ищет, извлекает, сверяет или готовит черновик, но не определяет исход для человека. Отбор кандидатов, оценка работников, продвижение, увольнение и распределение возможностей требуют отдельной классификации риска, валидных критериев, контроля по группам, журналирования, реального человеческого пересмотра и права на апелляцию. Некоторые сценарии, включая распознавание эмоций на рабочем месте по биометрическим данным в ЕС, могут быть прямо запрещены. Статья показывает, как выбирать сценарии автоматизации и какие изменения процесса, данных, контроля и ответственности нужны до внедрения.
AI автоматизирует производство многих технических артефактов, но не принимает на себя инженерную функцию целиком. Инженер по-прежнему определяет цель и требования, выбирает вычислительный механизм, задаёт допустимые состояния и ограничения, оценивает последствия ошибки, собирает доказательства корректности, отвечает за интеграцию и эксплуатацию. Граница делегирования проходит не между «простыми» и «сложными» задачами, а между результатами, которые можно независимо проверить и безопасно откатить, и решениями, где ошибка плохо наблюдаема, широко распространяется или дорого обходится.
Глубоко изучать следует то, без чего нельзя правильно поставить задачу, заметить скрытую ошибку и оценить последствия решения. Программированию и AI разумно передавать обратимые и независимо проверяемые операции, но не выбор цели, допустимого риска, критериев приёмки и финальное решение. Статья предлагает практическую рамку для определения глубины знаний, границ делегирования и владельцев ответственности.
Для числовой классификации, регрессии, скоринга и прогнозирования по финансовым таблицам классические статистические модели, Random Forest и особенно GBDT обычно следует проверять раньше LLM. Они предпочтительнее при ограниченной выборке, фиксированной схеме признаков, строгих требованиях к арифметической точности, калибровке, задержке, воспроизводимости и аудиту. LLM приносят больше пользы на языковой границе задачи – при работе с отчётами, естественно-языковыми запросами и оркестрации SQL или Python, но это уже сравнение систем, а не только моделей.
Граница проходит не между «простым» и «сложным» требованием, а между параметризацией предусмотренного поведения SAP и созданием нового поведения. FI/CO отвечает за финансовую семантику, стандартный процесс и Customizing; разработка начинается там, где нужны программная логика, опубликованная точка расширения, новый интерфейс или внешнее приложение. Статья даёт дерево решения, распределение ролей и условный разбор требования к бухгалтерской проводке.
Execution plan не объясняет задержку сам по себе: он показывает выбранный оптимизатором способ обработки данных. Чтобы найти причину, нужно сопоставить оценки с метриками конкретного выполнения, найти первое существенное расхождение кардинальности перед ростом работы, учесть повторения операторов и проверить I/O, временные данные и ожидания вне плана. Статья дает последовательный метод анализа для PostgreSQL, SQL Server, Oracle Database и MySQL 8.x.
Метод оценки разобран на учебном агенте подготовки платежей: от границ полномочий и наблюдаемых условий успеха до результатов испытаний и решения об отказе в допуске. Отдельно показано, почему полезность, заблокированные попытки, реальные нарушения и надёжность человеческого одобрения нельзя сводить к одному показателю.
На воспроизводимом примере двух распределений показано, когда среднего достаточно для выбора прогноза, а когда решение требует вероятностей и квантилей. Разобраны различия между логарифмической доходностью и денежным убытком, построение прогнозного распределения и его вневыборочная проверка.